liuwei_x_x/abot
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity

新增斗鱼主播背景画像Redis缓存与Dify分支\n\n- 为斗鱼插件补充房间背景画像的Redis读写能力与TTL配置\n- 新增基于LLM生成主播背景画像JSON并回写Redis的链路\n- 将自动画像合并进room_context并在日报生成前预热缓存\n- 扩展Dify工作流，新增room_background_profile主分支与回退分支\n- 更新斗鱼配置示例与工作流文档，说明背景画像缓存用法

Browse Source
This commit is contained in:
liuwei
2026-04-27 13:04:13 +08:00
parent 889ce5acdd
commit 033fc1202d
4 changed files with 915 additions and 17 deletions
Download Patch File Download Diff File Expand all files Collapse all files

36
docs/dify_douyu_daily_report_workflow.md
View File

@@ -4,6 +4,7 @@
- 让 `plugins/douyu` 继续通过一个 Dify Workflow 接收斗鱼日报任务。
- 但在 Workflow 内部按 `task_type` 做真正的 LLM 分支，而不是让一个通用 LLM 节点同时处理三种风格。
- 降低运营日报、弹幕总结、粉丝乐子日报之间的风格串台和幻觉风险。
- 允许额外复用同一个 Workflow，为主播/房间生成可缓存到 Redis 的背景画像 JSON。
## 2. 当前推荐结构
当前推荐的是：
@@ -28,6 +29,7 @@
- `daily_report`：运营版完整日报正文
- `danmu_summary`：运营版图片上半部分弹幕总结
- `fans_daily_report`：粉丝向欢乐恶搞日报
- `room_background_profile`：主播/房间背景画像 JSON
- `query`
- `system_prompt`
- `user_prompt`
@@ -47,12 +49,13 @@
最新推荐图结构如下：
1. `Start`
2. `if-else` 节点：按 `task_type` 分三条业务线
2. `if-else` 节点：按 `task_type` 分四条业务线
3. `运营日报 LLM`
4. `弹幕总结 LLM`
5. `粉丝日报 LLM`
6. 每条业务线各自一个 `fail-branch` 回退 LLM
7. 每条成功路径和回退路径各自输出到 `End.text`
6. `背景画像 LLM`
7. 每条业务线各自一个 `fail-branch` 回退 LLM
8. 每条成功路径和回退路径各自输出到 `End.text`
仓库导出文件见：
- [plugins/douyu/斗鱼日报AI.yml](d:/learn/abot/plugins/douyu/%E6%96%97%E9%B1%BC%E6%97%A5%E6%8A%A5AI.yml)
@@ -71,11 +74,12 @@
- `fans_daily_report` 只看到粉丝乐子日报规则
## 6. if-else 分支规则
建议 `if-else` 节点至少包含三个 case：
建议 `if-else` 节点至少包含四个 case：
1. `danmu_summary_case`
2. `fans_daily_report_case`
3. `daily_report_case`
1. `room_background_profile_case`
2. `danmu_summary_case`
3. `fans_daily_report_case`
4. `daily_report_case`
推荐默认 `false` 分支回到 `daily_report`，因为项目侧默认值就是 `daily_report`。
@@ -95,6 +99,12 @@
- 重点写欢乐、现场感、接梗、名场面
- 不写策略、建议、转化、数据表现
### 7.4 背景画像分支
- 只输出结构化 JSON
- 优先整理主播领域、职业生涯、相关人物、剧情关键词和梗解释
- 如果 Workflow 已接搜索/知识库，优先检索公开资料后再整理
- 如果证据不足，宁可留空并把 `confidence` 设低
## 8. 回退 LLM 的设计建议
不要把三条主分支都挂到同一个通用回退模型。
@@ -102,6 +112,7 @@
- 运营日报主分支失败 -> 运营日报回退 LLM
- 弹幕总结主分支失败 -> 弹幕总结回退 LLM
- 粉丝日报主分支失败 -> 粉丝日报回退 LLM
- 背景画像主分支失败 -> 背景画像回退 LLM
这样回退时也不会风格跑偏。
@@ -109,10 +120,11 @@
本仓库里的最新版导出已经做了这些事：
1. 新增 `if-else` 节点按 `task_type` 做真实分支
2. 为三类任务拆分主 LLM
3. 为三类任务拆分回退 LLM
2. 为四类任务拆分主 LLM
3. 为四类任务拆分回退 LLM
4. 各分支提示词单独收敛，不再共享一段总 prompt
5. 输出仍统一为 `text`
5. 背景画像分支固定输出 JSON，可直接被插件清洗后写入 Redis
6. 输出仍统一为 `text`
## 10. 项目配置层是否需要改
一般不用改 scene 这一层。
@@ -138,11 +150,15 @@
3. 手动触发 `danmu_summary`
目标：确认摘要依旧短、像现场，不会拉成长文
4. 手动触发 `room_background_profile`
目标：确认返回严格 JSON，并且在无检索证据时会保守留空
## 12. 一句结论
你现在这个判断是对的。
对斗鱼日报这种“同一份材料，多种输出风格”的任务来说：
- 插件侧用一个 scene 保持简单
- Dify 侧用 `if-else + 多 LLM 分支` 保持稳定
- Redis 侧再缓存一份自动背景画像，能进一步减少重复请求和圈内梗理解偏差
这是比“一个 LLM 通吃三类任务”更稳、更高效的方案。

8
plugins/douyu/config.toml
View File

@@ -26,6 +26,14 @@ daily_report_use_llm = true
daily_report_max_sessions = 4
daily_report_max_length = 1800
daily_report_send_image = true
# 是否启用“主播背景画像自动整理”：
# 1. 当手工 room_context_profiles 不完整时，允许调用 LLM 整理一份背景画像；
# 2. 结果会缓存到 Redis，供运营日报和粉丝日报复用；
# 3. 如果当前 Dify Workflow 接了搜索/知识库，这里也能顺带吃到检索结果。
auto_room_background_profile_enable = true
# 自动背景画像在 Redis 里的缓存时长，默认 7 天。
# 如果主播资料经常变化，可以酌情调短；如果想减少模型消耗，可以适当调长。
auto_room_background_profile_ttl_seconds = 604800
audience_stats_sample_interval_seconds = 0
# 直播间语义画像（可选）：

615
plugins/douyu/main.py
View File

@@ -4,6 +4,7 @@ from collections import Counter
from datetime import datetime, timedelta
import os
from pathlib import Path
import re
import threading
import time
from typing import Dict, Any, List, Optional, Tuple, Set
@@ -405,6 +406,54 @@ class DouyuRedisManager:
key = f"{self.prefix}room_status:{room_id}"
return self.redis.set(key, json.dumps(status, ensure_ascii=False))
def get_room_background_profile(self, room_id: str) -> Optional[Dict[str, Any]]:
"""
读取房间的“自动背景画像”缓存。
这里单独拆 key，而不是混进 room_status，主要是为了：
1. 背景画像更新频率远低于直播状态；
2. 画像缓存适合设置较长 TTL，和在线状态的实时性要求不同；
3. 后续若要单独清理/刷新画像，不会影响直播状态主链路。
"""
key = f"{self.prefix}room_background_profile:{room_id}"
data = self.redis.get(key)
if not data:
return None
if isinstance(data, bytes):
data = data.decode("utf-8")
try:
return json.loads(data)
except Exception:
return None
def set_room_background_profile(
self,
room_id: str,
profile: Dict[str, Any],
ttl_seconds: int = 0,
) -> bool:
"""
写入房间背景画像缓存。
说明：
1. Redis 中持久化的是“已经清洗过的结构化 JSON”，避免下游每次再解析原始 LLM 文本；
2. 默认允许带 TTL，便于后续自动过期，减少过时职业信息长期残留；
3. 不强依赖 TTL，为 0 时按永久 key 写入，兼容本地调试场景。
"""
key = f"{self.prefix}room_background_profile:{room_id}"
payload = json.dumps(profile or {}, ensure_ascii=False)
ttl_seconds = max(int(ttl_seconds or 0), 0)
if ttl_seconds > 0:
return bool(self.redis.set(key, payload, ex=ttl_seconds))
return bool(self.redis.set(key, payload))
def delete_room_background_profile(self, room_id: str) -> bool:
"""
删除房间背景画像缓存。
当前主流程还没有开放手动命令入口，但底层先保留删除能力，
方便后续做“强制刷新画像”或后台运维修复。
"""
key = f"{self.prefix}room_background_profile:{room_id}"
return self.redis.delete(key) >= 0
def get_room_session(self, room_id: str, session_id: str) -> Optional[Dict[str, Any]]:
key = f"{self.prefix}room:{room_id}:session:{session_id}"
data = self.redis.get(key)
@@ -464,9 +513,9 @@ class DouyuRedisManager:
class DouyuPlugin(MessagePluginInterface):
# 报告缓存版本号：
# 1. 版本升级后会自动让历史缓存失效，避免继续复用旧文本/旧图片；
# 2. 本次将版本提升到 6，新增“粉丝向恶搞日报”的独立结果类型，并同步刷新旧缓存，
# 确保上线后不会误复用旧版图片结构或旧版摘要文案。
_DAILY_REPORT_CACHE_VERSION = 6
# 2. 本次将版本提升到 7，除了粉丝日报分流以外，还加入了 Redis 自动背景画像，
# 需要强制刷新旧缓存，确保新版 prompt 能吃到最新 room_context。
_DAILY_REPORT_CACHE_VERSION = 7
FEATURE_KEY = "DOUYU_MONITOR"
FEATURE_DESCRIPTION = "🎮 斗鱼开播提醒 [订阅斗鱼 房间号, 取消订阅斗鱼 房间号]"
@@ -524,6 +573,12 @@ class DouyuPlugin(MessagePluginInterface):
self._daily_report_max_sessions = 4
self._daily_report_max_length = 1800
self._daily_report_send_image = True
# 自动背景画像：
# 1. 用于在没有手工画像时，让 LLM 基于房间信息整理一份背景；
# 2. 结果会缓存到 Redis，避免每次生成日报都重复请求模型；
# 3. 即使模型支持联网/检索，也只把结果当“辅助语境”，不替代真实弹幕证据。
self._auto_room_background_profile_enable = True
self._auto_room_background_profile_ttl_seconds = 7 * 24 * 3600
# Dify 入参策略：
# 默认发送精简字段，避免某些 Workflow 对复杂对象输入校验严格导致 400。
# 如需在工作流中使用完整结构化 payload，可在 report_api 显式开启。
@@ -627,6 +682,217 @@ class DouyuPlugin(MessagePluginInterface):
profile = self._room_context_profiles.get(str(room_id)) or {}
return dict(profile) if isinstance(profile, dict) else {}
def _merge_text_list_values(self, preferred: Any, fallback: Any, limit: int = 12) -> List[str]:
"""
合并两组文本列表，并保证“高优先级来源排前面”。
这里主要服务“手工画像 + Redis 自动画像”合并场景：
1. 手工配置的词条优先保留原顺序；
2. 自动画像只补充缺失项，不覆盖人工判断；
3. 最终长度受控，避免 prompt 被背景资料无限撑大。
"""
merged: List[str] = []
seen: Set[str] = set()
for raw_values in (preferred, fallback):
for item in self._normalize_text_list(raw_values):
marker = item.casefold()
if marker in seen:
continue
seen.add(marker)
merged.append(item)
if len(merged) >= max(int(limit or 0), 1):
return merged
return merged
def _profile_has_meaningful_content(self, profile: Optional[Dict[str, Any]]) -> bool:
"""
判断一份背景画像是否“真的有料”。
只要职业背景、身份摘要、领域、相关人物、剧情词、梗解释等核心字段里有任意有效内容，
就认为这份画像值得参与合并或缓存复用。
"""
if not isinstance(profile, dict) or not profile:
return False
text_fields = [
"domain",
"identity_summary",
"career_background",
"evidence_summary",
]
for field in text_fields:
if str(profile.get(field) or "").strip():
return True
list_fields = [
"domain_keywords",
"related_people",
"storyline_keywords",
"meme_explanations",
"style_hints",
]
for field in list_fields:
if self._normalize_text_list(profile.get(field)):
return True
return False
def _profile_needs_auto_enrichment(
self,
manual_profile: Optional[Dict[str, Any]],
cached_profile: Optional[Dict[str, Any]],
*,
force_refresh: bool = False,
) -> bool:
"""
判断当前房间是否值得触发一次自动画像生成。
策略尽量保守：
1. 手工画像已经比较完整时，不额外消耗模型；
2. Redis 已有可用缓存时，优先复用；
3. 只有“手工画像明显缺失/信息过少”时，才触发自动补全。
"""
if force_refresh:
return True
if self._profile_has_meaningful_content(cached_profile):
return False
if not self._profile_has_meaningful_content(manual_profile):
return True
manual_profile = manual_profile or {}
filled_core_fields = 0
for field in ("domain", "identity_summary", "career_background"):
if str(manual_profile.get(field) or "").strip():
filled_core_fields += 1
list_item_count = 0
for field in ("related_people", "storyline_keywords", "meme_explanations", "style_hints"):
list_item_count += len(self._normalize_text_list(manual_profile.get(field)))
return filled_core_fields < 3 or list_item_count < 4
def _normalize_auto_room_background_profile(self, profile: Dict[str, Any]) -> Dict[str, Any]:
"""
清洗 LLM 返回的背景画像 JSON。
目标不是追求字段越多越好，而是保证进入 Redis 的内容：
1. 结构稳定；
2. 文本长度可控；
3. 明确带上置信度与人工复核提示，方便后续在 prompt 中降权使用。
"""
profile = profile if isinstance(profile, dict) else {}
confidence = str(profile.get("confidence") or "").strip().lower()
if confidence not in {"low", "medium", "high"}:
confidence = "low"
normalized = {
"domain": str(profile.get("domain") or "").strip()[:32],
"domain_keywords": self._normalize_text_list(profile.get("domain_keywords"))[:12],
"identity_summary": str(profile.get("identity_summary") or "").strip()[:160],
"career_background": str(profile.get("career_background") or "").strip()[:220],
"related_people": self._normalize_text_list(profile.get("related_people"))[:12],
"storyline_keywords": self._normalize_text_list(profile.get("storyline_keywords"))[:12],
"meme_explanations": self._normalize_text_list(profile.get("meme_explanations"))[:8],
"style_hints": self._normalize_text_list(profile.get("style_hints"))[:8],
"confidence": confidence,
"evidence_summary": str(profile.get("evidence_summary") or "").strip()[:180],
"needs_human_review": bool(profile.get("needs_human_review", confidence != "high")),
}
if not self._profile_has_meaningful_content(normalized):
return {}
return normalized
@staticmethod
def _extract_json_object_from_text(text: str) -> Optional[Dict[str, Any]]:
"""
从 LLM 文本里提取 JSON 对象。
兼容两类常见脏输出：
1. 模型把 JSON 包在 ```json 代码块里；
2. 模型前后补了少量解释文字。
"""
raw = str(text or "").strip()
if not raw:
return None
if raw.startswith("```"):
raw = re.sub(r"^```(?:json)?", "", raw, flags=re.IGNORECASE).strip()
if raw.endswith("```"):
raw = raw[:-3].strip()
try:
obj = json.loads(raw)
return obj if isinstance(obj, dict) else None
except Exception:
pass
start = raw.find("{")
end = raw.rfind("}")
if start < 0 or end <= start:
return None
candidate = raw[start:end + 1].strip()
try:
obj = json.loads(candidate)
return obj if isinstance(obj, dict) else None
except Exception:
return None
def _merge_room_background_profiles(
self,
manual_profile: Dict[str, Any],
auto_profile: Dict[str, Any],
) -> Dict[str, Any]:
"""
合并手工画像与自动画像。
优先级固定为：
1. 手工配置；
2. Redis 自动画像；
3. 缺失字段保持空。
这样可以确保“人工确认过的信息”永远压过模型推断。
"""
manual_profile = manual_profile if isinstance(manual_profile, dict) else {}
auto_profile = auto_profile if isinstance(auto_profile, dict) else {}
has_manual = self._profile_has_meaningful_content(manual_profile)
has_auto = self._profile_has_meaningful_content(auto_profile)
if has_manual and has_auto:
profile_source = "manual+redis_auto"
elif has_manual:
profile_source = "manual_config"
elif has_auto:
profile_source = "redis_auto"
else:
profile_source = ""
return {
"domain": str(manual_profile.get("domain") or auto_profile.get("domain") or "").strip(),
"domain_keywords": self._merge_text_list_values(
manual_profile.get("domain_keywords"),
auto_profile.get("domain_keywords"),
),
"identity_summary": str(
manual_profile.get("identity_summary")
or auto_profile.get("identity_summary")
or ""
).strip(),
"career_background": str(
manual_profile.get("career_background")
or auto_profile.get("career_background")
or ""
).strip(),
"related_people": self._merge_text_list_values(
manual_profile.get("related_people"),
auto_profile.get("related_people"),
),
"storyline_keywords": self._merge_text_list_values(
manual_profile.get("storyline_keywords"),
auto_profile.get("storyline_keywords"),
),
"meme_explanations": self._merge_text_list_values(
manual_profile.get("meme_explanations"),
auto_profile.get("meme_explanations"),
limit=8,
),
"style_hints": self._merge_text_list_values(
manual_profile.get("style_hints"),
auto_profile.get("style_hints"),
limit=8,
),
"profile_source": profile_source,
"profile_confidence": str(auto_profile.get("confidence") or "").strip().lower(),
"profile_evidence_summary": str(auto_profile.get("evidence_summary") or "").strip(),
"profile_needs_human_review": bool(auto_profile.get("needs_human_review", False)),
}
def _build_room_semantic_context(
self,
room_id: str,
@@ -669,7 +935,11 @@ class DouyuPlugin(MessagePluginInterface):
),
}
profile = self._match_room_context_profile(room_id)
manual_profile = self._match_room_context_profile(room_id)
auto_profile = {}
if self.redis_manager:
auto_profile = self.redis_manager.get_room_background_profile(room_id) or {}
profile = self._merge_room_background_profiles(manual_profile, auto_profile)
category_text = " ".join([
merged_runtime_context.get("primary_category", ""),
merged_runtime_context.get("secondary_category", ""),
@@ -701,6 +971,10 @@ class DouyuPlugin(MessagePluginInterface):
"storyline_keywords": self._normalize_text_list(profile.get("storyline_keywords")),
"meme_explanations": self._normalize_text_list(profile.get("meme_explanations")),
"style_hints": self._normalize_text_list(profile.get("style_hints")),
"profile_source": str(profile.get("profile_source") or "").strip(),
"profile_confidence": str(profile.get("profile_confidence") or "").strip(),
"profile_evidence_summary": str(profile.get("profile_evidence_summary") or "").strip(),
"profile_needs_human_review": bool(profile.get("profile_needs_human_review", False)),
}
def _build_room_context_prompt_block(self, payload: Dict[str, Any]) -> str:
@@ -726,10 +1000,24 @@ class DouyuPlugin(MessagePluginInterface):
)
if runtime_context.get("tags"):
parts.append(f"- 房间标签：{'、'.join(self._normalize_text_list(runtime_context.get('tags'))[:8])}。")
profile_source = str(room_context.get("profile_source") or "").strip()
if profile_source == "redis_auto":
parts.append("- 背景资料来源：以下主播背景为系统自动整理后缓存到 Redis，仅作辅助理解；若和当天真实弹幕冲突，以当天弹幕为准。")
elif profile_source == "manual+redis_auto":
parts.append("- 背景资料来源：以下信息以手工配置为主，并由 Redis 自动画像补充缺失细节；自动部分只作辅助线索。")
if room_context.get("identity_summary"):
parts.append(f"- 主播身份提示：{room_context.get('identity_summary')}。")
if room_context.get("career_background"):
parts.append(f"- 职业生涯背景：{room_context.get('career_background')}。")
if profile_source in {"redis_auto", "manual+redis_auto"}:
confidence_map = {"high": "高", "medium": "中", "low": "低"}
confidence_text = confidence_map.get(str(room_context.get("profile_confidence") or "").strip().lower(), "")
if confidence_text:
parts.append(f"- 自动背景置信度：{confidence_text}。若出现重名主播、跨圈梗或年份细节，请优先保守解读。")
if room_context.get("profile_evidence_summary"):
parts.append(f"- 自动背景备注：{room_context.get('profile_evidence_summary')}。")
if bool(room_context.get("profile_needs_human_review")):
parts.append("- 自动背景复核提示：该画像仍建议人工复核，避免把模糊人物关系当成确定事实。")
related_people = self._normalize_text_list(room_context.get("related_people"))
if related_people:
parts.append(f"- 重点相关人物：{'、'.join(related_people[:12])}。弹幕提到这些人时，优先考虑圈内关联。")
@@ -899,6 +1187,18 @@ class DouyuPlugin(MessagePluginInterface):
self._daily_report_max_sessions = int(cfg.get("daily_report_max_sessions", self._daily_report_max_sessions))
self._daily_report_max_length = int(cfg.get("daily_report_max_length", self._daily_report_max_length))
self._daily_report_send_image = bool(cfg.get("daily_report_send_image", self._daily_report_send_image))
self._auto_room_background_profile_enable = bool(
cfg.get("auto_room_background_profile_enable", self._auto_room_background_profile_enable)
)
self._auto_room_background_profile_ttl_seconds = max(
int(
cfg.get(
"auto_room_background_profile_ttl_seconds",
self._auto_room_background_profile_ttl_seconds,
)
),
3600,
)
self._audience_stats_sample_interval_seconds = int(
cfg.get("audience_stats_sample_interval_seconds", self._audience_stats_sample_interval_seconds)
)
@@ -2427,6 +2727,292 @@ class DouyuPlugin(MessagePluginInterface):
inputs["report_payload_json"] = json.dumps(payload, ensure_ascii=False)
return inputs
def _build_room_background_profile_seed(self, payload: Dict[str, Any]) -> Dict[str, Any]:
"""
从日报载荷里抽取一份“适合给背景画像模型看的精简材料”。
这样做有两个好处：
1. 不必把整份大 payload 都重新塞给模型，减少 token 和噪音；
2. 即使模型没有联网能力，也能依据房间标签、代表弹幕、高频词做保守推断。
"""
meta = payload.get("report_meta", {}) or {}
room_context = payload.get("room_context", {}) or {}
runtime_context = room_context.get("runtime_context", {}) or {}
room_id = str(meta.get("room_id") or "").strip()
representative_messages = []
for item in (payload.get("representative_messages", []) or [])[:6]:
content = str(item.get("content") or "").strip()
if not content:
continue
representative_messages.append({
"nickname": str(item.get("nickname") or "").strip(),
"content": content[:90],
})
merged_templates = []
for item in (payload.get("merged_templates", []) or [])[:8]:
text = str(item.get("text") or "").strip()
if not text:
continue
merged_templates.append({
"text": text[:48],
"count": int(item.get("count", 0) or 0),
})
repeated_messages = []
for item in (payload.get("repeated_messages", []) or [])[:6]:
text = str(item.get("text") or item.get("content") or "").strip()
if not text:
continue
repeated_messages.append({
"text": text[:48],
"count": int(item.get("count", 0) or 0),
})
manual_profile = self._match_room_context_profile(room_id)
return {
"room_meta": {
"room_id": room_id,
"nickname": str(meta.get("nickname") or "").strip(),
"room_name": str(meta.get("room_name") or "").strip(),
"anchor_day": str(meta.get("anchor_day") or "").strip(),
},
"runtime_context": {
"primary_category": str(runtime_context.get("primary_category") or "").strip(),
"secondary_category": str(runtime_context.get("secondary_category") or "").strip(),
"game_name": str(runtime_context.get("game_name") or "").strip(),
"tags": self._normalize_text_list(runtime_context.get("tags"))[:10],
},
"inferred_domains": self._normalize_text_list(room_context.get("inferred_domains"))[:6],
"top_terms": [
str(item.get("term") or "").strip()
for item in (payload.get("top_terms", []) or [])[:12]
if str(item.get("term") or "").strip()
],
"merged_templates": merged_templates,
"repeated_messages": repeated_messages,
"representative_messages": representative_messages,
# 手工画像快照一并传入，方便模型只补缺、不“推翻人工设定”。
"manual_profile_hint": {
"domain": str(manual_profile.get("domain") or "").strip(),
"identity_summary": str(manual_profile.get("identity_summary") or "").strip(),
"career_background": str(manual_profile.get("career_background") or "").strip(),
"related_people": self._normalize_text_list(manual_profile.get("related_people"))[:10],
"storyline_keywords": self._normalize_text_list(manual_profile.get("storyline_keywords"))[:10],
},
}
def _build_room_background_profile_prompt(self, payload: Dict[str, Any]) -> Tuple[str, str, Dict[str, Any]]:
"""
构造“主播背景画像”提示词。
设计原则：
1. 优先检索公开资料；若当前模型没有检索能力，则退化为保守推断；
2. 严格要求 JSON 输出，方便直接入 Redis；
3. 不确定就留空，宁可少写，也不要把职业生涯、圈内关系硬编出来。
"""
seed = self._build_room_background_profile_seed(payload)
system_prompt = (
"你是斗鱼直播间背景画像整理助手。"
"请根据给定房间信息，整理一份给日报模型使用的主播背景 JSON。"
"如果你具备联网、搜索、知识库或检索能力，请优先检索公开资料再整理；"
"如果你不具备检索能力，只能根据输入材料做保守判断，不确定的字段必须留空。"
"输出必须是 JSON 对象，不要输出代码块，不要补充额外解释。"
)
user_prompt = (
"请只输出一个 JSON 对象，字段固定为：\n"
"{\n"
" \"domain\": \"\",\n"
" \"domain_keywords\": [],\n"
" \"identity_summary\": \"\",\n"
" \"career_background\": \"\",\n"
" \"related_people\": [],\n"
" \"storyline_keywords\": [],\n"
" \"meme_explanations\": [],\n"
" \"style_hints\": [],\n"
" \"confidence\": \"low|medium|high\",\n"
" \"evidence_summary\": \"\",\n"
" \"needs_human_review\": true\n"
"}\n\n"
"规则：\n"
"1. identity_summary 要像“这是什么类型主播、观众通常围绕什么背景接梗”的一句话。\n"
"2. career_background 只写公开且较稳定的职业经历、圈层身份、转型轨迹；不确定就留空。\n"
"3. related_people 只保留和该主播强相关的人物；不确定不要硬猜。\n"
"4. meme_explanations 和 style_hints 要服务日报理解，不要写百科长文。\n"
"5. 如果主播不是 Dota2 主播，也要按其真实领域整理，不要强行往 Dota2 上靠。\n"
"6. 如果资料存在歧义、重名或证据不足，confidence 设为 low，并把 needs_human_review 设为 true。\n\n"
f"输入材料：\n{json.dumps(seed, ensure_ascii=False, indent=2)}"
)
return system_prompt, user_prompt, seed
def _build_dify_room_background_inputs(
self,
*,
system_prompt: str,
user_prompt: str,
seed: Dict[str, Any],
) -> Dict[str, Any]:
"""
组装“房间背景画像”任务在 Dify Workflow 下的输入。
这里复用现有 scene，但通过单独 task_type 走到新的 Workflow 分支，
让 Dify 端可以后续挂检索/知识库节点，而插件侧接口保持不变。
"""
room_meta = seed.get("room_meta", {}) or {}
return {
"task_type": "room_background_profile",
"query": user_prompt,
"system_prompt": system_prompt,
"user_prompt": user_prompt,
"room_id": str(room_meta.get("room_id") or "").strip(),
"anchor_day": str(room_meta.get("anchor_day") or "").strip(),
"nickname": str(room_meta.get("nickname") or room_meta.get("room_name") or "").strip(),
"max_length": "1200",
"report_payload_json": json.dumps(seed, ensure_ascii=False),
}
def _call_room_background_profile_llm(
self,
*,
system_prompt: str,
user_prompt: str,
seed: Dict[str, Any],
) -> str:
"""
调用统一 LLM 客户端生成背景画像文本。
与日报正文链路保持同样的 provider 兼容策略：
1. Dify provider 走 workflow/chat 的 run(inputs)；
2. 其他 provider 走普通 chat(system, user)。
"""
if not self._daily_report_llm_client:
return ""
room_meta = seed.get("room_meta", {}) or {}
room_id = str(room_meta.get("room_id") or "").strip()
user_id = f"douyu_room_background_{room_id or 'unknown'}"
if self._daily_report_llm_client.provider == "dify":
result = self._daily_report_llm_client.run(
prompt=user_prompt,
user=user_id,
inputs=self._build_dify_room_background_inputs(
system_prompt=system_prompt,
user_prompt=user_prompt,
seed=seed,
),
tag=f"douyu_room_background_{room_id or 'unknown'}",
)
return str((result or {}).get("text", "") or "").strip()
return self._daily_report_llm_client.chat(
system_prompt,
user_prompt,
user_id=user_id,
).strip()
def _generate_room_background_profile(self, payload: Dict[str, Any]) -> Dict[str, Any]:
"""
同步生成一份可缓存到 Redis 的背景画像。
这个方法会被 asyncio.to_thread 包裹执行，避免阻塞主事件循环。
"""
if not self._daily_report_llm_client:
return {}
system_prompt, user_prompt, seed = self._build_room_background_profile_prompt(payload)
response_text = self._call_room_background_profile_llm(
system_prompt=system_prompt,
user_prompt=user_prompt,
seed=seed,
)
if not response_text:
logger.warning(
f"斗鱼房间背景画像生成失败: room={((seed.get('room_meta', {}) or {}).get('room_id', ''))}, "
f"last_error={self._daily_report_llm_client.last_error}"
)
return {}
parsed = self._extract_json_object_from_text(response_text)
if not parsed:
logger.warning(
f"斗鱼房间背景画像返回非 JSON，已忽略: room={((seed.get('room_meta', {}) or {}).get('room_id', ''))}, "
f"preview={response_text[:180]}"
)
return {}
normalized = self._normalize_auto_room_background_profile(parsed)
if not normalized:
return {}
normalized["generated_at"] = datetime.now().strftime("%Y-%m-%d %H:%M:%S")
normalized["source_mode"] = "redis_auto"
normalized["generator"] = (
f"{self._daily_report_llm_client.provider}:{self._daily_report_llm_client.model or self._daily_report_llm_client.endpoint}"
)
return normalized
async def _ensure_room_background_profile(
self,
room_id: str,
nickname: str,
room_name: str,
sessions: List[Dict[str, Any]],
payload: Dict[str, Any],
*,
force_refresh: bool = False,
) -> Dict[str, Any]:
"""
在生成日报前，确保房间背景画像已经就绪。
流程说明：
1. 先看手工配置与 Redis 缓存是否已经够用；
2. 仅在必要时才触发一次 LLM 自动画像；
3. 无论是否生成成功，最后都重新构建 room_context，确保 payload 使用最新缓存。
"""
if not payload:
return payload
meta = payload.get("report_meta", {}) or {}
room_id = str(room_id or meta.get("room_id") or "").strip()
nickname = str(nickname or meta.get("nickname") or "").strip()
room_name = str(room_name or meta.get("room_name") or "").strip()
if not room_id:
return payload
manual_profile = self._match_room_context_profile(room_id)
cached_profile = (
self.redis_manager.get_room_background_profile(room_id) if self.redis_manager else {}
) or {}
should_build = (
self._auto_room_background_profile_enable
and self._daily_report_use_llm
and self._daily_report_llm_client is not None
and self.redis_manager is not None
and self._profile_needs_auto_enrichment(
manual_profile,
cached_profile,
force_refresh=force_refresh,
)
)
if should_build:
generated_profile = await asyncio.to_thread(
self._generate_room_background_profile,
payload,
)
if generated_profile:
ttl_seconds = max(int(self._auto_room_background_profile_ttl_seconds or 0), 3600)
self.redis_manager.set_room_background_profile(
room_id,
generated_profile,
ttl_seconds=ttl_seconds,
)
logger.info(
f"斗鱼房间背景画像已刷新并缓存到 Redis: room={room_id}, "
f"ttl={ttl_seconds}s, confidence={generated_profile.get('confidence', '')}"
)
# 这里无论是否触发了自动画像，都重新构建一次 room_context：
# 1. 若刚刚写入 Redis，新画像会立刻反映到 payload；
# 2. 若没有新画像，也能统一走“手工画像 + Redis 缓存 + 实时房间信息”的最新合并逻辑。
payload["room_context"] = self._build_room_semantic_context(room_id, nickname, room_name, sessions)
return payload
def _call_daily_report_llm(
self,
*,
@@ -2763,6 +3349,18 @@ class DouyuPlugin(MessagePluginInterface):
f"sessions={len(sessions)}, min_messages={self._daily_report_min_messages}"
)
continue
# 在真正生成日报前先预热一次背景画像：
# 1. 首次命中房间时尝试补全主播背景；
# 2. 结果进入 Redis，后续同房间日报可直接复用；
# 3. payload 会在这里被刷新成最新的 room_context。
payload = await self._ensure_room_background_profile(
room_id,
"",
"",
sessions,
payload,
force_refresh=force_regenerate,
)
report_result = await self._get_or_create_daily_report_result(
room_id,
anchor_day,
@@ -2835,6 +3433,15 @@ class DouyuPlugin(MessagePluginInterface):
f"sessions={len(sessions)}, min_messages={self._daily_report_min_messages}"
)
continue
# 粉丝日报也需要同一份背景画像，以便更准确理解职业生涯梗、圈内人物和老名场面。
payload = await self._ensure_room_background_profile(
room_id,
"",
"",
sessions,
payload,
force_refresh=force_regenerate,
)
report_result = await self._get_or_create_fans_daily_report_result(
room_id,

273
plugins/douyu/斗鱼日报AI.yml
View File

@@ -1,5 +1,5 @@
app:
description: 斗鱼直播日报、弹幕总结与粉丝乐子日报工作流
description: 斗鱼直播日报、弹幕总结、粉丝乐子日报与房间背景画像工作流
icon: 🤖
icon_background: '#FFEAD5'
mode: workflow
@@ -99,6 +99,18 @@ workflow:
targetHandle: target
type: custom
zIndex: 0
- data:
isInIteration: false
isInLoop: false
sourceType: if-else
targetType: llm
id: 200000010-room-background-profile-case-200000104-target
source: '200000010'
sourceHandle: room_background_profile_case
target: '200000104'
targetHandle: target
type: custom
zIndex: 0
- data:
isInIteration: false
isInLoop: false
@@ -122,6 +134,41 @@ workflow:
targetHandle: target
type: custom
zIndex: 0
- data:
isInIteration: false
isInLoop: false
sourceType: llm
targetType: end
id: 200000104-source-200000307-target
source: '200000104'
sourceHandle: source
target: '200000307'
targetHandle: target
type: custom
zIndex: 0
- data:
isInLoop: false
sourceType: llm
targetType: llm
id: 200000104-fail-branch-200000204-target
source: '200000104'
sourceHandle: fail-branch
target: '200000204'
targetHandle: target
type: custom
zIndex: 0
- data:
isInIteration: false
isInLoop: false
sourceType: llm
targetType: end
id: 200000204-source-200000308-target
source: '200000204'
sourceHandle: source
target: '200000308'
targetHandle: target
type: custom
zIndex: 0
- data:
isInIteration: false
isInLoop: false
@@ -245,9 +292,10 @@ workflow:
# task_type 是整个工作流的业务路由开关：
# 1. daily_report：运营版完整日报正文；
# 2. danmu_summary：运营版图片上半部分弹幕总结；
# 3. fans_daily_report：粉丝向欢乐恶搞日报。
# 3. fans_daily_report：粉丝向欢乐恶搞日报；
# 4. room_background_profile：主播/房间背景画像 JSON。
- default: daily_report
hint: daily_report / danmu_summary / fans_daily_report
hint: daily_report / danmu_summary / fans_daily_report / room_background_profile
label: task_type
max_length: 255
options: []
@@ -333,6 +381,17 @@ workflow:
width: 242
- data:
cases:
- case_id: room_background_profile_case
conditions:
- comparison_operator: contains
id: room_background_profile_case_cond
value: room_background_profile
varType: string
variable_selector:
- '200000001'
- task_type
id: room_background_profile_case
logical_operator: and
- case_id: danmu_summary_case
conditions:
- comparison_operator: contains
@@ -671,6 +730,98 @@ workflow:
targetPosition: left
type: custom
width: 242
- data:
context:
enabled: false
variable_selector: []
# 背景画像分支：
# 1. 只服务 room_background_profile；
# 2. 优先整理公开资料与输入材料，输出结构化 JSON；
# 3. 不确定时宁可留空，也不要编职业经历或圈内关系。
error_strategy: fail-branch
model:
completion_params:
temperature: 0.1
mode: chat
name: grok-4
provider: langgenius/openai_api_compatible/openai_api_compatible
prompt_template:
- id: background_system_1
role: system
text: '你是「斗鱼直播间背景画像助手」。
你的唯一任务是输出主播/房间背景画像 JSON。
输出原则：
1. 只输出 JSON 对象，不要使用代码块，不要输出解释文字。
2. 如果当前工作流已接入联网、检索或知识库能力，请优先检索公开资料后再整理。
3. 如果没有检索能力，只能根据输入材料做保守推断，不确定字段必须留空。
4. 不要把其他同名主播、选手或解说的经历串到当前房间。
5. 如果主播不是 Dota2 主播，也要按其真实领域整理，不要强行往 Dota2 上靠。
6. confidence 只能是 low / medium / high。
7. 如果 system_prompt 非空，优先遵循其中的补充规则。
'
- id: background_user_1
role: user
text: '【任务类型】
room_background_profile
【system_prompt】
{{#200000001.system_prompt#}}
【user_prompt】
{{#200000001.user_prompt#}}
【meta】
room_id={{#200000001.room_id#}}, anchor_day={{#200000001.anchor_day#}},
nickname={{#200000001.nickname#}}
【report_payload_json】
{{#200000001.report_payload_json#}}
请只输出背景画像 JSON。
'
retry_config:
max_retries: 2
retry_enabled: true
retry_interval: 1000
selected: false
title: 背景画像 LLM
type: llm
vision:
enabled: false
height: 172
id: '200000104'
position:
x: 664
y: 650
positionAbsolute:
x: 664
y: 650
selected: false
sourcePosition: right
targetPosition: left
type: custom
width: 242
- data:
context:
enabled: false
@@ -821,6 +972,76 @@ workflow:
targetPosition: left
type: custom
width: 242
- data:
context:
enabled: false
variable_selector: []
# 背景画像回退模型：
# 失败时继续保持“只出 JSON、宁可留空不乱编”的保守策略。
model:
completion_params:
temperature: 0.05
mode: chat
name: gpt-5.4
provider: langgenius/openai_api_compatible/openai_api_compatible
prompt_template:
- id: background_system_2
role: system
text: '你是「斗鱼直播间背景画像助手」。
当前是回退链路，请稳定输出背景画像 JSON。
只输出 JSON 对象，不要使用代码块，不要输出额外说明。
如果证据不足或重名风险较高，字段留空，confidence 设为 low，needs_human_review 设为 true。
'
- id: background_user_2
role: user
text: '【任务类型】
room_background_profile
【system_prompt】
{{#200000001.system_prompt#}}
【user_prompt】
{{#200000001.user_prompt#}}
【report_payload_json】
{{#200000001.report_payload_json#}}
请只输出背景画像 JSON。
'
retry_config:
max_retries: 2
retry_enabled: true
retry_interval: 1000
selected: false
title: 背景画像回退 LLM
type: llm
vision:
enabled: false
height: 118
id: '200000204'
position:
x: 1010
y: 650
positionAbsolute:
x: 1010
y: 650
selected: false
sourcePosition: right
targetPosition: left
type: custom
width: 242
- data:
context:
enabled: false
@@ -1034,6 +1255,52 @@ workflow:
targetPosition: left
type: custom
width: 242
- data:
outputs:
- value_selector:
- '200000104'
- text
value_type: string
variable: text
selected: false
title: 背景画像输出
type: end
height: 88
id: '200000307'
position:
x: 1010
y: 760
positionAbsolute:
x: 1010
y: 760
selected: false
sourcePosition: right
targetPosition: left
type: custom
width: 242
- data:
outputs:
- value_selector:
- '200000204'
- text
value_type: string
variable: text
selected: false
title: 背景画像回退输出
type: end
height: 88
id: '200000308'
position:
x: 1354
y: 650
positionAbsolute:
x: 1354
y: 650
selected: false
sourcePosition: right
targetPosition: left
type: custom
width: 242
viewport:
x: 74
y: 74